Méthodes d’intelligence artificielle appliquées au procédé d’extrusion réactive pour la formulation de matériaux polymères et le recyclage

Artificial Intelligence Methodologies applied to the reactive extrusion process for polymer materials formulation and recycling

• Auteur / Autrice : Fanny Casteran
• Direction : Philippe Cassagnau, Francisco Chinesta
• Type : Thèse de doctorat
• Discipline(s) : Matériaux polymères
• Date : Soutenance le 24/03/2022
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : Ecole doctorale Matériaux de Lyon (Villeurbanne ; 1992?-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Claude Bernard (Lyon ; 1971-....)
• Partenaire(s) de recherche : Laboratoire : Ingénierie des Matériaux Polymères (Auvergne Rhône-Alpes ; 2007-....)
• Jury : Président / Présidente : René Fulchiron
• Jury : Examinateurs / Examinatrices : Philippe Cassagnau, Francisco Chinesta, Emmanuelle Abisset, Anaïs Barasinski, Olivier Lhost
• Jury : Rapporteurs / Rapporteuses : Emmanuelle Abisset, Anaïs Barasinski

Mots clés

Mots clés contrôlés

Innovation

Ingénierie assistée par ordinateur

Propriétés mécaniques

Polypropylène

Extrusion réactive

Apprentissage automatique

Mots clés libres

Extrusion réactive

Simulation

Machine-learning

Reactive extrusion

Simulation

Machine learning

Résumé

L’objectif de ces travaux est l’utilisation de méthodes de Machine-Learning pour la modélisation du procédé d’extrusion réactive. Les modèles existants de ce procédé comportent nécessairement des simplifications dues aux nombreux phénomènes couplés impliqués, et donc des limitations. Trois systèmes réactifs ont été étudiés. Le premier est basé sur la dispersion d’une phase thermodurcissable réticulée in situ dans une matrice polypropylène. Cette phase thermodurcissable est composée d’un époxy et d’un durcisseur, et, avec l’ajout d’un compatibilisant, permet d’améliorer les propriétés mécaniques du polypropylène. Le second consiste en la dispersion d’une phase constituée d’oligomères fonctionnels réticulés in situ dans une matrice polypropylène. Il s’agit d’oligomères de polyéthylène greffés avec de l’anhydride maléique, formant un réseau avec une triamine ou un diol. Le troisième système consiste en la dégradation de polyéthylène haute densité et de polyéthylène à très haute masse molaire par extrusion à très hautes températures (T ≈ 400 °C) pour des applications au recyclage. Une seconde partie de cette étude consiste en l’ajout d’anhydride maléique durant ce procédé afin de fonctionnaliser le polyéthylène. Pour chaque système, différentes conditions de procédé et formulations ont été testées, conduisant à des sets de données. Différents algorithmes de Machine-Learning ont été appliqués à ces données afin de créer des modèles prédictifs des différents paramètres mesurés. Ils ont ainsi pu prédire différents paramètres de procédés mesurés en ligne (températures, pression, couple, puissance moteur), et dans la plupart des cas, donné des meilleurs résultats que le logiciel commercial de simulation d’extrusion bi-vis corotatives Ludovic®. Une méthode de modélisation hybride, se basant sur Ludovic® et utilisant le Machine-Learning pour modéliser une correction du modèle, a été appliquée au second système et a permis d’obtenir des résultats précis. Ces méthodes de Machine-Learning ont également permis de prédire certaines propriétés des matériaux finaux, telles que les propriétés mécaniques du polypropylène renforcé par une phase thermodurcissable (module d’Young, contraintes seuil et à la rupture, déformation à la rupture et résistance aux chocs), ou encore la masse molaire et viscosité finale des polyéthylènes dégradés ainsi que leur taux d’anhydride maléique greffé.

The objective of this work is the use of Machine-Learning methods for modelling the reactive extrusion process. Existing models of this process necessarily contain simplifications due to the numerous coupled phenomena involved, and therefore have limitations. Three reactive systems were studied. The first one is based on the dispersion of a thermosetting phase cross-linked in situ in a polypropylene matrix. This thermosetting phase is composed of an epoxy and a hardener and, with the addition of a compatibiliser, improves the mechanical properties of the polypropylene. The second consists of the dispersion of functional oligomers cross-linked in situ in a polypropylene matrix. These are polyethylene oligomers grafted with maleic anhydride, forming a network with a triamine or a diol. The third system consists of the degradation of high density polyethylene and ultra-high molecular weight polyethylene by extrusion at very high temperatures (T ≈ 400 °C) for recycling applications. A second part of this study consists of the addition of maleic anhydride during this process to functionalise the polyethylene. For each system, different process conditions and formulations were tested, leading to data sets. Different Machine-Learning algorithms were applied to these data to create predictive models of the different measured parameters. They were able to predict various measured process parameters (temperatures, pressure, torque, engine power), and in most cases, performed better than the commercial corotative twin-screw extrusion simulation software Ludovic®. A hybrid modelling method, based on Ludovic® and using Machine-Learning to model a correction to the simulation, was applied to the second system and produced accurate results. These Machine-Learning methods were also used to predict certain properties of the final materials, such as the mechanical properties of thermoset reinforced polypropylene (Young's modulus, yield stress, strain at break and impact resistance), as well as the molar mass and final viscosity of the degraded polyethylenes and their grafted maleic anhydride content.